企业官网建设流程全解析

简介：这是一套面向电子设计竞赛的2023年E题完整项目资料，适合正在备战电赛的参赛队伍、嵌入式系统与机器视觉方向的学生，以及对单片机开发和图像识别感兴趣的进阶学习者，能帮助读者快速理解赛题要求并搭建可运行的原型代码。压缩包共包含五个文件，其中两个工程压缩包分别对应主控逻辑与舵机伺服控制模块，两个Python脚本用于视觉采集与数据交互，另附一份PDF参赛报告，梳理了设计思路、硬件连接和调试过程，整个资源仅23.67MB，便于下载部署，目录划分清楚，可快速定位所需代码与文档。该资料目前已有412人学习，属于具备真实使用反馈的赛题项目。所有源码均经过测试可以正常运行，省去大量环境配置和底层排错时间，可直接运行验证预期效果，上手门槛较低。在此基础上，读者可沿用清晰的工程分层，完成参数调整、控制策略更换、视觉追踪或自动循迹等二次开发，并保留作者交流渠道，使用中遇到的问题能得到及时解答，让学习与实战过程更加顺畅。

1. 2023年电赛E题：一套红绿激光追踪系统的完整源码包

真正在2023年电赛E题赛场上待过的人，对这套题的第一印象往往是“方案谁都想得出来，但让两个光点在A4纸上安安稳稳地互相咬住，才是噩梦”。E题要求用两个二维云台分别控制红色和绿色激光笔，先让绿色光点按矩形或圆形轨迹移动，再让红色光点实时追踪绿色光点。这个zip包就是当时一支参赛队留下的完整工程：两个OpenMV脚本、两套舵机控制封装、一份参赛文档PDF。它适合正在备赛电赛、想复现激光追踪项目、或者刚接触OpenMV视觉闭环控制的人。源码已经跑通过，直接烧进去就能看到两个舵机云台跟着色块转动，接下来要做的就是理解它为什么这样设计。

2. 赛题到底考什么：追踪误差、双云台和坐标系

2.1 从题目要求反推系统设计

2023年电赛E题“运动目标控制与自动追踪系统”，核心指标不是“能不能看见”，而是“红绿两个光点的距离误差”。基础部分要求绿色光点按给定路径运动时，红色光点能持续跟随；发挥部分往往增加路径复杂度或运动速度。也就是说，这是一个典型的伺服跟踪问题，难点集中在三个环节：视觉定位是否准确、云台角度解算是否正确、控制闭环是否收敛。

从题目反推系统结构，完整的信号链应该是：

• 两个独立的二维云台，每个云台至少两个舵机，分别控制偏航和俯仰。
• 一个摄像头观察A4纸区域，识别色点坐标。
• 一个控制核心读取视觉坐标，计算误差，输出舵机PWM。
• 两只激光笔固定在云台前端，随云台转动改变光点位置。

从压缩包内容看，first_openmv.py和第二套Second_Servo.zip明显对应两个独立闭环：一套负责绿色光点的轨迹产生，一套负责红色光点的追踪。这样拆分的好处是调试时互不干扰，先让绿点跑起来，再专心调红点跟丢的问题。

2.2 为什么OpenMV是多数队伍的第一选择

很多第一次接触这个题的人会问：为什么不用树莓派加USB摄像头，或者用K210？从实际比赛场景看，电赛只有四天三夜，树莓派启动要几十秒，Python生态虽然全，但写驱动、处理摄像头、接舵机，每一步都可能耗掉宝贵的调试时间。K210能跑色块识别，但OpenMV IDE的阈值调节工具、内置的find_blobs接口、以及MicroPython环境下直接操作PWM引脚的能力，让OpenMV在色块追踪这个细分场景里几乎是最低上手成本的选择。

另一个关键点是OpenMV可以脱机运行。比赛现场不允许一直连电脑，而OpenMV插上电池就能跑，遇到问题再用USB连电脑打印坐标。项目里两个OpenMV脚本分别烧录到两个摄像头，各自承担自己的视觉任务，比单摄像头加双云台的主从结构少一条通信链路，可靠性更高。

2.3 硬件选型与接线要点

这份项目能跑起来，硬件上并不需要昂贵设备。常见配置如下：

接线时最容易被忽略的是共地。OpenMV、舵机和稳压模块的地必须连到一起，否则舵机转动时的噪声会让色块检测出现跳动。舵机电源要单独从稳压模块供，不能和OpenMV共用同一路5V，否则舵机堵转瞬间能把电压拉到4V以下，OpenMV直接重启。

3. 视觉坐标提取：first_openmv.py和second_openmv.py的分工

3.1 色块检测的核心：LAB阈值和形态学过滤

OpenMV识别激光点，本质是在RGB565图像上做颜色阈值分割。激光颜色很纯，但环境光和纸张反光会把一个光点扩散成一个大色斑。所以在写识别代码前，先把摄像头固定到云台上，用OpenMV IDE打开“阈值编辑器”工具，对着A4纸上的红色和绿色光点调出合适的LAB阈值。LAB色彩空间把亮度、红绿、蓝黄分量拆开，比RGB抗光照变化能力强很多。

一个轨道上常见的绿色光点识别代码结构如下：

import sensor, image, time sensor.reset() sensor.set_pixformat(sensor.RGB565) sensor.set_framesize(sensor.QVGA) sensor.skip_frames(time=2000) sensor.set_auto_whitebal(False) # LAB阈值，分别对应 L通道、A通道、B通道的范围 GREEN_TH = (30, 80, -40, -15, -5, 40) while True: img = sensor.snapshot() blobs = img.find_blobs([GREEN_TH], pixels_threshold=15, area_threshold=15, merge=True) if blobs: # 选面积最大的色块，过滤噪点 b = max(blobs, key=lambda x: x.area()) img.draw_cross(b.cx(), b.cy(), color=(255, 0, 0)) print("gx=%d gy=%d area=%d" % (b.cx(), b.cy(), b.area()))

这段代码先关闭白平衡，因为自动白平衡会自动调节颜色分量，导致同一个激光点在不同环境光下阈值失效。find_blobs里的pixels_threshold和area_threshold用来过滤只有几个像素的随机噪点，merge=True表示把相邻的同一颜色区域合并成一个整体。取面积最大的色块是按最大概率锁定真实光点，因为激光点通常会比反光点更亮更大。

3.2 双OpenMV的协作逻辑

从项目命名可以看出，first_openmv.py和second_openmv.py分别承担不同任务，这种拆分方式很符合电赛的调试节奏。

3.2.1 轨迹侧脚本：让绿点按路径移动

first_openmv.py负责绿色激光笔所在的云台。一种常见做法是开环轨迹规划：把矩形或圆形的路径离散成一系列舵机角度，按时间逐帧输出。开环控制的好处是逻辑简单，不依赖识别结果，现场定位不准时微调几个角度系数就能改轨迹。缺点是没有反馈，舵机机械误差会累积，所以这块代码通常还会在关键节点加延时或隔帧视觉校正。

另一种做法是把轨迹侧也做成闭环：OpenMV识别绿色点在A4纸上的位置，与目标路径点比较，偏差经PID换算为舵机转角。这种方式比开环稳定，但调试量也会翻倍。从这套项目只放了一个first_openmv.py来看，开环加简单校正的可能性更大。

3.2.2 追踪侧脚本：锁定绿色光点

second_openmv.py的核心逻辑是追踪。摄像头固定在红色云台上，视野中心基本就是红色激光指的位置。OpenMV持续寻找绿色色块，求出绿色点与画面中心的坐标偏差，这个偏差就是控制云台转动的输入信号。当绿色点出现在画面右侧，说明云台需要向右转；绿色点偏上，云台需要向上抬。这套逻辑可以表述为：

error_x = green_cx - img.width() // 2 error_y = green_cy - img.height() // 2

这里的error_x和error_y是像素误差，不能直接当舵机角度用，需要经过比例换算和PID整形后才能输出。

3.3 像素坐标不是最终答案

很多第一次调的人会把像素误差直接乘以一个系数就给舵机，结果发现绿点明明在画面左边，舵机却转到右边，或者原地抖动。原因是像素坐标和物理角度不是线性关系。OpenMV的镜头是广角，画面边缘的像素对应更大的角度变化；而且激光笔固定在云台上时，光点移动量还取决于A4纸到镜头的距离。最稳的做法是先在几个固定位置记录“像素偏移对应舵机角度偏移”的实测值，拟合出一个近似映射系数。更精细的做法是用单应性矩阵做坐标变换，把图像坐标映射到A4纸平面坐标，再做角度换算。

4. 云台控制：从像素误差到舵机角度的完整链路

4.1 舵机控制基础：PWM与角度映射

OpenMV控制舵机通常有两种方式：直接用内置的Servo对象，或者用定时器输出PWM。电赛环境下，内置Servo对象更省事，但自定义PWM能控制更多参数，尤其方便统一两个云台的行为。舵机控制信号是50Hz的方波，脉宽1.0ms到2.5ms对应0°到180°，中间值1.5ms对应90°。

常见初始化代码如下：

from pyb import Timer, Pin # 定时器2，频率50Hz，对应舵机控制信号周期20ms tim = Timer(2, freq=50) ch = tim.channel(1, Timer.PWM, pin=Pin("P7")) def set_angle(ch, angle, min_us=1000, max_us=2500): # 将0~180度映射到1000us~2500us us = min_us + angle / 180.0 * (max_us - min_us) ch.pulse_width_us(int(us)) set_angle(ch, 90)

pulse_width_us设置的是单个PWM周期里的高电平时长。舵机内部有一个电位器反馈电路，高电平宽度决定了它转动位置。写好这个函数后，云台转角就是纯粹的数学问题，不用再关心底层寄存器。对于两个云台，可以封装一个类，分别绑定不同定时器通道，避免互相干扰。

4.2 像素-角度映射与PID调参

4.2.1 比例系数怎么定

假设图像宽度是320像素，镜头水平视场角约60°，那么每个像素对应的角度近似60/320=0.1875°。如果绿点偏离画面中心40像素，云台就需要转约7.5°。但在实际项目中，云台距离A4纸大概30cm到50cm，这个近似值要现场实际测量校准。

控制代码里的比例项Kp代表“一个像素误差输出多少舵机角度”。Kp过小，云台反应慢，绿点跑出视野；Kp过大，云台在平衡点附近来回震荡，光点画圈。一般从Kp=0.1起步，观察追踪误差变化，再按0.05步进调整。

4.2.2 微分项和惯性补偿

云台带着激光笔转动，舵机自身有惯性和机械延迟，如果只靠比例控制，红色光点会滞后绿色光点一个固定的相位差。微分项Kd根据误差变化率提前减速或加速，能明显抵消滞后。Ki积分项用在静态误差场景，比如当红色光点和绿色光点距离较近但一直差一点点时，积分项会慢慢补上这个差值。但积分项非常容易导致震荡，必须加输出限幅。

可以把PID参数和输出范围做成一张调参卡，方便现场记录：

4.3 把PID写进OpenMV循环

一个完整的追踪控制循环应该包含采样、计算、输出三步，并且控制频率保持稳定。下面这段是追踪侧的核心结构：

import sensor, image, time from pyb import Timer, Pin # 初始化摄像头 sensor.reset() sensor.set_pixformat(sensor.RGB565) sensor.set_framesize(sensor.QVGA) sensor.skip_frames(time=2000) # 初始化两个舵机通道 tim_yaw = Timer(2, freq=50) yaw = tim_yaw.channel(1, Timer.PWM, pin=Pin("P7")) tim_pit = Timer(3, freq=50) pit = tim_pit.channel(1, Timer.PWM, pin=Pin("P8")) kp, ki, kd = 0.1, 0.0, 0.02 last_err_x, last_err_y = 0, 0 def clamp(v, limit): return max(-limit, min(limit, v)) while True: img = sensor.snapshot() blobs = img.find_blobs([GREEN_TH], pixels_threshold=10, merge=True) if not blobs: continue b = max(blobs, key=lambda x: x.area()) err_x = b.cx() - img.width() // 2 err_y = b.cy() - img.height() // 2 # 对偏航通道做PID计算 p = kp * err_x d = kd * (err_x - last_err_x) delta_yaw = clamp(p + d, 20) yaw_us = yaw_us + delta_yaw yaw.pulse_width_us(int(yaw_us)) last_err_x = err_x # 俯仰通道相同，省略 time.sleep_ms(20)

这个循环把绿色点的像素偏差转换为舵机脉宽增量，而不是绝对角度。使用增量式PID的好处是，即使初始角度设置有偏差，只要每一帧都在修正，系统也能自动收敛到目标位置。clamp函数把单次修正量限制在±20°，防止绿点特别偏时舵机猛转引起机械冲击。

5. 标定、曝光与延迟：E题翻车率最高的三个地方

5.1 激光光点的曝光和阈值

激光点打到白纸上，往往因为过曝变成一个白斑，颜色信息丢失。过曝后的白斑在LAB颜色空间里接近中性色，红色阈值和绿色阈值都识别不准确。建议在OpenMV里关闭自动曝光，手动设定曝光时间：

sensor.set_auto_exposure(False, exposure_us=12000)

具体曝光值要根据现场光线微调。眼睛看激光点感觉不明显，但OpenMV的感光芯片动态范围有限，适当压低曝光能明显改善色块面积稳定性。另外，A4纸要是顺滑的铜版纸，激光光晕会很大，换成哑光卡纸效果更好。

5.2 云台零点与机械回差

舵机中位标定是调通项目的第一道坎。先把绿色激光云台的舵机调到90°，手动转动舵机臂，让激光光点落在A4纸中心，再固定舵机臂。这个过程必须在安装云台支架时完成，否则代码里所有角度都会叠加一个固定偏差。

机械回差是舵机齿轮组的固有间隙，表现为从左边转过来和从右边转过来，同一个角度指令落点不同。常见处理办法是在PID输出加上一个固定的方向补偿，或者让云台追踪方向保持单向逼近。如果红点在绿点左边，就让它从左边慢慢靠近，不要来回穿插。

5.3 串口调试与远程观察

电赛现场不能一直连屏幕，最有效的调试手段是串口打印坐标。OpenMV默认的USB口就是串口，可以用print输出绿点坐标、误差和PWM值。但高频打印会阻塞主循环，建议每10帧打印一次，并且只打印关键量：

frame_count += 1 if frame_count % 10 == 0: print("err_x=%d err_y=%d pwm_yaw=%d" % (err_x, err_y, yaw_us))

拿到串口数据后，观察误差应该呈现收敛趋势。如果误差来回振荡，优先降低Kp增加Kd；如果误差恒定在一个小范围，再考虑加一点Ki。这种调试路径比盲目改参数高效得多。

6. 把源码变成自己的：复现清单与扩展方向

6.1 按顺序复现的检查清单

拿到这个zip包后，建议按照下面的顺序操作，不要一上来就烧录全部代码：

单舵机测试通过后，才开始联调。联调时把绿色轨迹速度调到最低，让红色追踪稳定后，再逐级加速。

6.2 向更高性能扩展的路线

这套项目最值得改的地方是把追踪侧从“当前帧误差”升级为“对目标轨迹的预测”。可以在PID前面加一个简单的线性预测，用最近三帧的绿色点坐标拟合出一个速度，再把未来50ms的目标位置作为控制目标。绿点移动越平滑，这个预测效果越好。更进一步可以在OpenMV上接九轴IMU，把云台姿态角引入反馈，弱化机械回差的影响。

如果想要更通用，可以把两个OpenMV的数据都通过串口发到一块STM32或树莓派上，由上位机做单应性变换和轨迹规划，OpenMV只当传感器。这样项目就从“两个独立追踪器”变成“一个完整的视觉伺服系统”，拿来改造成课程设计或毕设的底子也更厚实。

最后说一个实际技巧：把second_openmv.p里的积分项Ki先保持为0，用KD值把云台调到轻微抖动的边界，再往回退20%，这个微调点往往是追踪效果最好的甜点区。改完参数后把整个项目导出成可烧录的工程，留给后续复用。

本文还有配套的精品资源，点击获取